Metas PDF

GDMZ Universidad de Zaragoza
DECISIÓN
MULTICRITERIO
JOSÉ MARÍA MORENO JIMÉNEZ
moreno@unizar.es
<http://gdmz.unizar.es>
Facultad de Económicas
Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-1 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
S3. MULTICRITERIO CONTINUA.
GDMZ Programación por Metas Universidad de Zaragoza
3.1 Introducción (1h)

3.2 Programación por Metas (1h)
3.3 Puntos críticos (1 h)
3.4 Prácticas (1 h)
3.1. INTRODUCCIÓN
TÉCNICAS CON INFORMACIÓN A PRIORI-I
1. Introducción
2. Búsqueda de Metas
– Modelos de Satisfacción
– Modelos de Compromiso
3. Programación por Compromiso
– Planteamiento
– Cálculo
– Propiedades
4. Programación por Metas
– Planteamiento
– Cálculo
– Propiedades
3.1. INTRODUCCIÓN
PROGRAMACIÓN POR METAS

• La Programación Multiobjetivo está orientada a la obtención
de soluciones paretianas eficientes. Este enfoque tiene un gran
problema, es casi imposible, no ya una representación exacta
del conjunto eficiente, sino una buena aproximación.
• La Programación por Compromiso (PPC) introduce las
preferencias del decisor de una manera realista e ingeniosa.
• La Programación por Metas (PPM) se aleja de la idea de
optimización, centrándose en la de satisfacción (Simon, 1955).
• La PPM (Charnes y Cooper y Ferguson, 1955) constituye la
dimensión operativa de la filosofía satisfacente. No fue hasta
mediados de los 70 cuando se desarrollaron y popularizan (Ijiri,
1965; Lee, 1972; Ignizio, 1976).
3.2. PROGRAMACIÓN POR METAS

• La Programación por Metas (PPM) introduce un
conjunto de nuevas restricciones (débiles) que reflejan
las metas perseguidas. z ( x) + d − d = z j = 1,..., r
− +
∧
j j j j,
• El modelo que resuelve la PPM es:

r
Minx ∑ w (d
j =1
j
−
j + d +j )
∧
z j ( x) + d − d = z j ,
−
j
+
j j = 1,..., r
gi ( x) ≤ 0, i = 1,..., m
x ≥ 0, d −j ≥ 0, d +j ≥ 0.
• Es es un caso particular de la PPC con p=1, en el que
se han incluidos como restricciones débiles las metas.
METAS PONDERADAS
• La minimización de las desviaciones expresadas
directamente carece de sentido ya que las
desviaciones consideradas están evaluadas en
diferentes unidades (su suma no tiene significado)
• Para obviar este inconveniente se puede normalizar
cada desviación con el valor del término
k
independiente. M i n ∑ λ ( d + d ) / z j
−
j
+
j
∧
j
j = 1
• Para poder ser tomada como un subrogado de las

preferencias, el decisor debe incorporar sus
preferencias sobre las desviaciones (distinta
importancia) ponderándolas.
METAS LEXICOGRÁFICAS
• En este caso los logros son inconmensurablemente preferidos
P1>>P2 >>…>>Pr. En el caso de minimización lexicográfica
se traduce en el siguiente vector
Lex min a = [h1 (d-,d+), …, hr (d-,d+)]
o de manera más abreviada con aj = hj (d-,d+).
Lex min a = [a1, …, ar]
• Puede ocurrir que dos objetivos estén medidos en las mismas
unidades aunque las aspiraciones sean diferentes por lo que
deberían normalizarse. Al igual que sucede con los modelos de
metas ponderados, en los modelos jerarquizados, los análisis
pueden enriquecerse sometiendo a un análisis de sensibilidad.
• Resolución:
– Método gráfico (Lee 1972, Ignizio 1976)
– Método secuencial (Dauer y Krueger 1977; Ignizio, 1978)
– Multifase (Lee 1972, Ignizio, 1976).
• Ejemplo Método Gráfico:
• El Método Secuencial exige resolver una secuencia de
programas lineales cuyo número máximo coincide con el
número de niveles de prioridad que tenga el modelo. El número
de problemas lineales se reducirá, cuando al resolver uno de
ellos no se detecte la existencia de óptimos alternativos, en tal
caso, el proceso de cálculo se detiene.
• Si se desea realizar un análisis de sensibilidad el método
secuencial no es el más apropiado utilizándose el método del
simplex modificado (multifase, Lee 1972, Ignizio, 1976).
• Para resolver los modelos de metas

lexicográficas por el método secuencial se
resuelven los siguientes modelos:
Modelo 1: Modelo 2 :
Minx a1 = h1 (d1− , d1+ ) Minx a2 = h2 (d 2− , d 2+ )
∧ ∧
z1 ( x) + d − d = z 1 ,
1
−
1
+
z2 ( x ) + d − d = z 2 ,
−
2
+
2
gi ( x) ≤ 0, i = 1,..., m ∧
z1 ( x) + (d )* −(d )* = z 1 ,
1
−
1
+
x ≥ 0, d ≥ 0, d ≥ 0.
1
−
1
+
gi ( x) ≤ 0, i = 1,..., m
Modelo k : x ≥ 0, d 2− ≥ 0, d 2+ ≥ 0.
Minx ak = hk (d k− , d k+ )
∧
zk ( x ) + d − d = z k ,
−
k
+
k
∧ k=1,…,r
z j ( x) + (d −j ) * −(d +j )* = z j , j = 1,..., k − 1
gi ( x) ≤ 0, i = 1,..., m
x ≥ 0, d k− ≥ 0, d k+ ≥ 0.
EJEMPLO 3: PLANIFICACIÓN DE LA PRODUCCIÓN (PPM)

Una empresa fabrica dos tipos de piezas A y B. Cada una de ellas requiere para
su fabricación las cantidades de materia prima M1 y M2 que se indican en la
siguiente tabla:
Materia Prima\ Piezas A B Disponibilidad
M1 2 1 200
M2 4 3 450
Beneficio 5 3
La empresa desea saber cuál es el número de piezas que debe fabricar para cada
tipo si se fijan las siguientes metas con prioridades jerarquizadas (P1>>P2>>P3):
P1: Obtener un beneficio no inferior a 450 u.m.
P2: Fabricar al menos 120 piezas
P3: Fabricar el mayor número de piezas posible de B
Calcular:
1. La solución del problema anterior mediante el Método Gráfico
2. La solución mediante el Método Secuencial (Solver)
3. La solución mediante el Método Multifase (QSB)
EJEMPLO 3
Modelización:
Sean x1 y x2 el número de unidades de A y B fabricadas (v’s decisión)
Las restricciones fuertes del modelo son:
[M1] 2x1 + 1x2 ≤ 200
[M2] 4x1 + 3x2 ≤ 450
No negatividad son xj ≥ 0
Las restricciones débiles (metas) son:
[P1] (beneficio ≥ 450) 5x1 + 3x2 + d1- ≥ 450
[P2] (piezas fab. ≥ 120) x1 + x2 + d2- ≥ 120
[P3] (maximizar x2, M>>0) x2 + d3- ≤ M=150
La Función Objetivo es:
Lex Min a = [a1, a2, a3] = [d1-, d2-, d3- ]
EJEMPLO 3
• Resolución Ejemplo 3
• Método Gráfico
• Método Secuencial
• Método Multifase
• Método Secuencial
• Paso 1: a1*=o Paso 2: a2*=o Paso 3: a3*=o
Min a1 = d1 − Min a2 = d 2 − Min a3 = d 3 −
sa 5 x1 + 3x2 + d1− ≥ 450 sa x1 + x2 + d 2− ≥ 120 sa x2 + d 3− ≤ 150
2 x1 + x2 + ≤ 200 5 x1 + 3x2 ≥ 450 ( P1) x1 + x2 ≥ 120 ( P 2)
4 x1 + 3x2 + ≤ 450 2 x1 + x2 ≤ 200 5 x1 + 3 x2 ≥ 450 ( P1)
x1 ≥ 0, x2 ≥ 0 4 x1 + 3x2 ≤ 450 2 x1 + x2 ≤ 200
x1 ≥ 0, x2 ≥ 0 4 x1 + 3 x2 ≤ 450
x1 ≥ 0, x2 ≥ 0
• Solución: x1=0 y x2=150 con a*=[0,0,0]
EJEMPLO 3
S1
(0,150)
Min a1 = d1 −
sa 5 x1 + 3 x2 + d1− ≥ 450
2 x1 + x2 + ≤ 200
4 x1 + 3 x2 + ≤ 450
x1 ≥ 0, x2 ≥ 0
(75,50)
X
(0,0) (100,0)
R1 R2
M1
EJEMPLO 3
S1
S1∩
∩S2
(0,150)
Min a2 = d 2 −
sa x1 + x2 + d 2− ≥ 120
5 x1 + 3 x2 ≥ 450 ( P1)
2 x1 + x2 ≤ 200
(45,75)
(75,50) 4 x1 + 3 x2 ≤ 450
(80,40) x1 ≥ 0, x2 ≥ 0
(100,0)
R1 R2 M2
M1
EJEMPLO 3
S1
S1∩
∩S2
(0,150) M2 S1∩
∩S2 ∩S 3
Min a3 = d 3 −
sa x2 + d 3− ≤ 150
x1 + x2 ≥ 120 ( P 2)
(45,75) 5 x1 + 3 x2 ≥ 450 ( P1)
(75,50) 2 x1 + x2 ≤ 200
(80,40)
4 x1 + 3 x2 ≤ 450
x1 ≥ 0, x2 ≥ 0
X*=(0,150)
(100,0)
R1 R2 M2
M1

• Artur y Ravindran (1978,80) han propuesto un algoritmo
partitivo muy prometedor. Existen algoritmos para PPM con
variables enteras y bivalentes. También hay algoritmos para
programación por metas no lineales (uno es adaptación del
método de aproximaciones lineales de Griffit-Stewart; otro es
una aplicación de la búsqueda de Hooke y Jeeves).
EXTENSIONES DE LA PPM
• Junto a las metas ponderadas y las lexicográficas, existen otros
enfoque como el MINMAX (Flavel, 1976) que busca la
minimización de la maxima desviación de entre todas las
desviaciones posibles. La estructura matemática del modelo es
(los α y β son coeficientes normalizadores y al vez indicadores
de las preferencias):
3.3. PUNTOS CRÍTICOS PPM
PUNTOS CRÍTICOS DE LA PPM

• La PPM constituye un potente instrumento teórico de gran
aplicabilidad en el campo del análisis de decisional. En los
últimos años algunos autores han apuntado posibles
debilidades (Zeleny, 1981).
• En muchos casos los problemas planteados no son
inherentes a la lógica que subyace a la PPM, sino que se
deben a un uso no satisfactorio del enfoque.
• Muchos de los inconvenientes que se han apuntado se
deben a un uso mecanicista del enfoque que no tiene en
cuenta un conocimiento preciso de los supuestos
subyacentes.
PUNTOS CRÍTICOS DE LA PPM

1. La posible equivalencia de las soluciones de los
modelos PPM y los modelos tradicionales basados en la
optimización de un sólo criterio.
2. La falta de significado y las conclusiones equivocadas a
las que se puede llegar cuando la función de logro de un
modelo basado en metas lexicográficas se formula
erróneamente como un escalar en vez de como un vector.
3. Los problemas que pueden surgir cuando
innecesariamente se formulan metas con dos lados.
4. Finalmente se evalúan las implicaciones derivadas de la

incompatibilidad existente entre los ordenes
lexicográficos y la existencia de una función de utilidad
que ordene las preferencias del centro decisor.
5. La posible ineficiencia paretiana de la solución
generada por un modelo de PPM, así como los posibles
remedios a ese problema.
6. La conceptualización de meta redundante y su
repercusión en los procesos de optimización
lexicográfica.
EQUIVALENCIA DE LAS SOLUCIONES

• Veamos algunas situaciones en las que un modelo de PPM de un
cierto problema decisional puede generar la misma solución que
un modelo tradicional uniobjetivo.
• En un contexto lexicográfico, cuando el valor óptimo de la
función de logro toma la forma: a*=[0,0,…,ai, …,ar] no
existiendo óptimos alternativos para el i-ésimo problema de la
secuencia lexicográfica, entonces la solución óptima coincide con
la proporcionada por un modelo convencional caracterizado por la
optimización de las meta situadas en la i-ésima prioridad fijando
las metas de las prioridades anteriores como restricciones con
términos independientes iguales a sus correspondientes niveles de
aspiración.
• Por otra parte, si el nivel de aspiración es excesivamente

alto (no alcanzable) entonces el problema siguiente es
matemáticamente equivalente a la maximización de la
función zj(x) (modelo 2).
Lex min a = ( d1+ ) , ( d2+ ) , ( d3− ) , ( d4+ + d5+ )
Ejercicio 1 (ver enunciado) sa
G1 : x1 + x2 + d1− − d1+ = 10
G2 :5x1 −10x2 + d2− − d2+ = 50
La solución es: a*=[0,0,5,2] G3 : 2x1 + x2 + d3− − d3+ = 25
G4 : x1 + d4− − d4+ = 8
G5 : x2 + d5− − d5+ = 3
x1 = 10, x2 = 0, d1− = d1+ = d 2− = d 2+ = 0; d 3− = 5, d 3+ = 0; d 4− = 0, d 4+ = 2; d 5− = 3, d 5+ = 0.
• Como el tercer problema de la secuencia no tiene óptimo

alternativo, el modelo lexicográfico anterior es equivalente
a
Max 2x1 + x2
x1 + x2 ≤ 10
5x1 - 10 x2 ≤ 50
la solución es x1 =10, x2 = 0.
• Este tipo de equivalencia suele presentarse cuando se fijan
niveles muy pesimistas (fáciles de alcanzar) para las
primeras metas, y muy optimistas los de la i-ésima.
• No conviene incorporar metas redundantes que no juegan
un papel real en el proceso de resolución.
• La equivalencia de las soluciones también se presenta

en metas ponderadas, cuando el nivel de una meta se
han fijado de manera muy exigentes u optimistas (muy
difícil de alcanzar), mientras que para las restantes
metas se han fijado niveles muy pesimistas.
• En tal caso, el modelo de programación matemática
equivalente tendrá por función objetivo la
optimización de la meta optimista, y por restricciones
las propias del problema más las metas pesimistas.
• Ejercicio 2 y modelo 4
EJERCICIO 2. Equivalencia de soluciones. Ponderaciones

min D = d1− + d2− + d3−
sa
G1 : x1 + d1− − d1+ = 5
G2 : x2 + d2− − d2+ = 2
G3 : 0,5x1 + x2 + d3− − d3+ = 8
Solución: D*=1,5 x ∈ X = {0 ≤ x1 ≤ 6;0 ≤ x2 ≤ 5; x1 + x2 ≤ 9}
x1 = 5, x2 = 4, d1− = d1+ = d 2− = 0, d 2+ = 2; d3− = 1,5, d3+ = 0.
Modelo 4:
Max z = 0,5 x1 + x2
Solución: z*=6,5 sa
X1=5, X2=4 G1 : x1 ≥5
G2 : x2 ≥2
José María Moreno Jiménez (GDMZ).
= {0 ≤ x1 ≤ Postgrado
x ∈ XS3-24 6;0 ≤ xen2 Decisión + x2 ≤ 9}Bahía Blanca, 2006
≤ 5; x1Multicriterio.
• Estos resultados parecen conducirnos a la conclusión de que si

en un modelo de PPM ponderadas todas las metas excepto una
pertenecen a un subconjunto alcanzable, entonces la solución
óptima de dicho modelo coincidirá con la solución de un modelo
de PL en el que la FO es la maximización de la meta no
alcanzable, mientras que las otras metas se tratan como
restricciones.
• Este resultado, aunque altamente probable, no es necesariamente
cierto como puede verse en el contraejemplo del Modelo 5 que
es una modificación del Modelo 4.
• Modelo 5: Ej 2 con la F.O. (d1-+d2-+3d3-). La nueva solución
óptima, que no coincide con la del Modelo 4, es: D*= 4 con
x1 = 4, x2 = 5, d1− = 1, d1+ = 0, d 2− = 0, d 2+ = 3, d3− = 1, d3+ = 0.
FUNCIÓN DE LOGROS
• No confundir metas jerarquizadas con ponderadas.
Una formulación incorrecta de la función de logro,
como es la suma ponderada de las metas de las
diferentes prioridades, supone modelizaciones
equivocadas que pueden conducir a conclusiones
erróneas. Aunque pueda suponerse que un modelo
jerarquizado se puede resolver, aplicando el simplex,
como uno ponderado con valores muy dispares para las
prioridades, eso no es cierto (Ejercicio 3).
EJERCICIO 3. Estructura de la función de logro
Lex min a = ( d1− ) , ( d2+ ) , ( d3+ ) 

sa
G1 : 4x1 + x2 + d1− − d1+ = 60
G2 :100x1 + x2 + d2− − d2+ = 12
G3 : 2x1 + x2 + d3− − d3+ = 1
x ∈ X = {5 ≤ x1; x1 + x2 ≤ 24}
Solución: a* = [0,1200,35]
x1 = 12, x2 = 12, d1− = d1+ = d 2− = 0, d 2+ = 1200; d 3− = 0, d 3+ = 35.
• Si se reemplaza la FO por Min 100d1-+ 10d2++d3+ , la

nueva solución es:
x1 = 5, x2 = 19, d1− = 21, d1+ = d 2− = 0; d 2+ = 507; d 3− = 0, d 3+ = 28.
con el siguiente vector de logros a*=[21, 507, 28].
• Esta última solución está dominada por la del modelo

lexicográfico.
• Hubiera sido necesario incrementar el coeficiente de la
primera meta de 100 a 331 para conseguir una
equivalencia en las soluciones.
ESTRUCTURA LÓGICA DE LAS METAS

• En principio se suelen incluir en la FO las dos desviaciones
asociadas a cada meta. No resulta infrecuente omitir una de las
variables desviación en la formulación de las metas, incluyendo
sólo la variable desviación que se va a minimizar.
• La omisión de una de las variables desviación puede no tener
influencia alguna en el valor de la solución óptima, esto es, la
variable desviación puede ser redundante. Sin embargo, la
omisión innecesaria de una variable de desviación puede conducir
a la generación de soluciones subóptimas, tal como se ilustra en el
Ejercicio 4.
EJERCICIO 4. Estructura de las metas
Lex min a = ( d1+ ) , ( d2− + 2d3− ) 

sa
G1: x1 − x2 + d1− − d1+ = 25
G2: 4x1 + x2 + d2− − d2+ = 100
G3: x1 + d3− − d3+ = 30
x ∈ X = { x1 + x2 ≤ 35}
Solución: a* = [0,0]
x1 = 30, x2 = 5, d1− = d1+ = d 2− = 0, d 2+ = 25; d 3− = 0, d 3+ = 35.
ESTRUCTURA LÓGICA DE LAS METAS

• Si reformulamos el modelo omitiendo en las
restricciones de metas las variables desviación que no
aparecen en la función de logro nos queda el modelo 7.
• En resumen, la omisión de variables desviación,
aparentemente innecesarias, puede llevar a soluciones
inferiores o no eficientes. En la práctica, es difícil saber
de antemano qué variables desviación son redundantes,
por lo que se recomienda incluir ambas variables
desviación en la formulación de las metas.
• Si reformulamos el modelo omitiendo en las

restricciones de metas las variables desviación que no
aparecen en la función de logro nos queda el modelo 7:
Lex min a = ( d1+ ) , ( d 2− + 2d3− ) 
sa
G1: x1 − x2 − d1+ = 25
G 2 : 4 x1 + x2 + d 2− = 100
G3 : x1 + d3− = 30
x ∈ X = { x1 + x2 ≤ 35}
• cuya solución, con el siguiente vector de logros
a*=[0,10], es: x1 = 25, x2 = 0, d1+ = d 2− = 0; d 3− = 5.
METAS DOS LADOS INNECESARIAS

• Se ha dicho que la inclusión en la FO (metas ponderadas) o en la
función de logro (metas lexicográficas) de las dos desviaciones
debe realizarse cuando se desea alcanzar la meta con exactitud
(metas con dos lados). Las metas con dos lados son menos usuales
en los procesos de decisión reales que las metas con un lado. En
efecto, el centro decisor no desea falta de logros (minimizar la
variable desviación negativa), ni exceso de logros (minimizar la
desviación positiva), pero no ambas a la vez.
• Pese a estas consideraciones, no es infrecuente encontrar en la
literatura modelos con ambas desviaciones en la FO, con
independencia de la actitud del centro decisor hacia la satisfacción
de metas. Este tipo de modelización no es correcto desde un punto
de vista conceptual, y puede conducir a soluciones subóptimas
(ejemplo 5).
EJECICIO 5a. Inclusión de metas con dos lados
Lex min a = ( d1− + d1+ ) , ( d2− ) , ( d3− ) 

sa
G1: x1 − x2 + d1− − d1+ = 0
G2: x1 + x2 + d2− − d2+ = 3
G3: 2x1 + x2 + d3− − d3+ = 6
x ∈ X = { x1 + x2 ≤ 35}
Solución: a* = [0,0,0]
x1 = 2, x2 = 2, d1− = d1+ = d 2− = d 3+ = d 3− = 0, d 2+ = 1.
EJERCICIO 5b. Inclusión de metas con dos lados
[( )( )(
Lex mina = d1− + d1+ , d2− + d2+ , d3− + d3+ )]
sa
g1: x1 − x2 + d1− − d1+ = 0
g2 : x1 + x2 + d2− − d2+ = 3
g3: 2x1 + x2 + d3− − d3+ = 6
x ∈ X = {x1 + x2 ≤ 35}
Solución: a* = [0,0,15]
x1 = 1,5, x2 = 1,5, d1− = d1+ = d 2− = d 2+ = d 3+ = 0, d 3− = 1,5.
FUNCIÓN DE UTILIDAD. PREFER. LEXICOGRÁFICAS

• Una de la crítica más fuerte del enfoque lexicográfico en PPM se
basa en la incompatibilidad existente entre las reglas lexicográficas
y la existencia de una función utilidad. En otras palabras, un
modelo de reglas lexicográficas no optimiza ninguna función de
utilidad del centro decisor (Debreu, 1959, pp 72-73).
• Se puede ver (Romero, 1993) que las ordenaciones lexicográficas
para ciertas situaciones problema pueden constituir un
procedimiento lógico y empíricamente lícito de reflejar la
estructura de preferencias del centro decisor.
• Para poder aceptar la existencia de una función de utilidad es
necesario aceptar los siguientes supuestos (Varian, 1984, 111-113)
• Comparabilidad, Reflexibilidad, Transitividad y Continuidad son

las propiedades que deben verificar las elecciones para que exista
función utilidad. Parece lógico preguntarse cuáles son las
condiciones que no cumplen las ordenaciones lexicográficas, así
como las razones empíricas que producen dicha violación de las
condiciones básicas.
• Las ordenaciones lexicográficas implican conjuntos de indiferencia
formados por un sólo punto. Las superficies de indiferencia que
subyacen a las ordenaciones lexicográficas no son continuas, pues
están formadas por un sólo punto (una ordenación lexicográfica no
es compatible con la existencia de una función utilidad).
• La violación del supuesto de continuidad es la razón lógica que
explica este hecho.
INEFICIENCIA PARETIANA
• Puede decirse que la eficiencia paretiana es una condición
necesaria para garantizar la racionalidad de las soluciones
generadas por las diferentes TDMC (condición que deba
satisfacer una solución). Aunque los modelos PPM pueden
generar soluciones dominadas, éste es parece un serio
inconveniente. La PPM no se diseño para obtener soluciones
eficientes sino soluciones satisfactorias.
• Para poder comprobar la eficiencia se aplica el siguiente test que
aplicaremos a un Ejercicio 6. Es interesante notar que la solución
proporcionada por un modelo de PPM será no eficiente sólo si el
programa lineal resuelto en el caso de un modelo basado en PPM
ponderadas o el último modelo de PL de la secuencia
correspondiente a un modelo lexicográfico presenten óptimos
alternativos.
EJERCICIO 6. Eficiencia paretiana

min D = d1− + d2− + d3−
sa
g1: x1 + d1− − d1+ = 5
g 2: x2 + d2− − d2+ = 2
g3: 0,9x1 + x2 + d3− − d3+ = 8
x ∈ X = {0 ≤ x1 ≤ 6;0 ≤ x2 ≤ 5; x1 + x2 ≤ 9}
Solución Z* (D*=0), que está dominada por la Z1(5,4) y Z2(5,5;3,5)
x1 = 5, x2 = 3,5, d1− = d1+ = d 2− = d 3− = d 3+ = 0, d 2+ = 1,5.
• La presencia de óptimos alternativos es una condición

necesaria para garantizar la no eficiencia de la solución de un
modelo PPM. Comprobada la existencia de óptimos
alternativos, el paso siguiente es aplicar el test de eficiencia,
que consiste en maximizar las variables desviaciones
opuestas preservando el valor mínimo alcanzado hasta ese
momento por las variables desviación no deseadas.
• Si la solución obtenida no cambia respecto a la inicial es
eficiente, si por el contrario cambia, la nueva solución domina
a la anterior (ver ejercicio 7).
• Este test de eficiencia se puede interpretar como un proceso de
optimización lexicográfico. Así para un modelo de PPM
ponderadas, la correspondiente estructura lexicográfica tienen
una función de logro con dos componentes.
EJERCICIO 7. Eficiencia paretiana

max d1+ +d2+ +d3+
sa
g1: x1 −d1+ = 5
g2: x2 −d2+ = 2
g3: 0,9x1 + x2 −d3+ =8
x∈X ={0 ≤ x1 ≤ 6;0 ≤ x2 ≤ 5; x1 + x2 ≤ 9}
Solución de este modelo domina a la anterior (Ej 6)
x1 = 5, x2 = 4, d1− = d1+ = d 2− = d 3− = 0, d 2+ = 1,5, d 3+ = 0,5.
• La primera componente incluye las variables desviaciones,

mientras que la segunda, las opuestas multiplicadas por -1.
• Si el problema secuencial no tiene óptimos alternativos, el
proceso de optimización se detiene. Cuando el test de
eficiencia se aplica a un modelo lexicográfico, la
correspondiente función de logro debe ampliarse con una
componente adicional que incluya las variables desviación
opuestas.
• Procedimiento de Hannan. En muchos casos un modelo
de PPM posee más de una solución eficiente, en tal caso
puede resultar interesante (Hannan, 1980) generar un
subconjunto de soluciones eficientes que domine a la
solución inicial (no óptima) del modelo de PPM que
estemos considerando.
• Si todas las metas están acotadas, se puede obtener una solución

eficiente resolviendo un problema auxiliar multiobjetivo, donde
sus objetivos se correspondan con las metas de nuestro modelo
original. Cuando el centro decisor desea alcanzar al menos el
nivel de aspiración, entonces el objetivo se maximiza; por el
contrario, si el centro decisor desea no sobrepasar el nivel de
aspiración, entonces el objetivo correspondiente se minimiza.
• El conjunto alcanzable del modelo de programación
multiobjetivo está formado por las restricciones del modelo de
PPM, ampliado por un subconjunto de restricciones que
garantiza que el logro de las metas es, al menos, tan bueno como
el que se consiguió cuando se resolvió el modelo de PPM. La
aplicación de las ideas de Hannan a nuestro ejemplo conduce a
(modelo 8):
MARCO GENERAL PARA LOS PPM

• Paso 1: Resolver el PPM ponderado o lexicográfico. Caso de no
existir óptimos alternativos la solución generada es eficiente. Si
existen óptimos alternativos, ir al paso 2.
• Paso 2: a´) Si se está interesado en una sola solución óptima y
eficiente ir al paso 3. b´) Si se está interesado en explorar un
conjunto de soluciones óptimas y eficientes ir al paso 4.
• Paso 3: Maximizar la suma de las variables desviación opuestas
sin que se incremente (empeoren) los valores previamente
obtenidos de las variables desviación. La solución obtenida en el
paso 1 del algoritmo es eficiente sólo si coincide con la solución
obtenida en el paso 3.
• Paso 4: Transformar el modelo basado en metas en un modelo de
programación multiobjetivo utilizando el procedimiento de
Hannan (se determina un conjunto de soluciones eficientes del
PPM (ejercicio 8).
METAS REDUNDANTES
• Ejercicio 9: Resolviendo por el método secuencial se ve que
las dos primeras prioridades se alcanzan pero la tercera no. En
este caso hay un punto (la intersección de las dos primeras
restricciones) en el que se minimiza la distancia a g3. Las
metas 4 y 5 son redundantes, y su omisión no influye en la
solución óptima del modelo. Si el nivel de aspiración de la P1
se hubiera rebajado por debajo de 3336, existirían óptimos
múltiples al resolver la 3 y ya no serían redundantes la 4 y al 5.
• Por otra parte parece razonable pensar que la inclusión de
metas por los dos lados aumente la probabilidad de que la meta
en cuestión sea redundante. Así si en la g2 y g3 se incluyeran
las dos desviaciones en la función logro, las metas de g1, g4 y
g5 serían redundantes.
• Destacar que aunque la no existencia de óptimos alternativos

implica la redundancia de las metas situadas en las prioridades
más bajas, el opuesto no es cierto. La existencia de óptimos
alternativos no constituyen una condición suficiente que
garantice la redundancia de las metas (ver el modelo 10).
Ahora g1 es redundante y hay óptimos alternativos al resolver
las prioridades del tercer nivel.
• Las metas redundantes no tienen que ser siempre aquellas que
corresponden a las prioridades más bajas. Así, si el nivel de
aspiración de la meta g1 se reduce a 3336, resulta fácil
comprobar que la meta g2, situada en la primera prioridad pasa
a ser redundante.
• Pueden apuntarse tres aspectos como causas principales de
existencia de metas redundantes en los modelos lexicográficos.
1. una excesiva priorización de las metas (agrupación de las metas

en un número excesivamente elevado de niveles de prioridad).
2. fijar niveles de aspiración muy próximos al ideal.
3. la inclusión de muchas metas con dos colas.
• Para paliar, o evitar en parte, el problemas de las metas
redundantes se recomienda:
a) utilizar algoritmos secuenciales en los que se indiqué en qué
nivel ha parado el procedimiento; b) buscar la causa de la
redundancia, intentando mejorar la formulación del modelo; c)
si hay un excesivo número de niveles de prioridad conviene
agruparlos (la agrupación de metas no redundantes no afecta a
las redundantes).
• Referencias:
ROMERO, C. (1993): Teoría de la decisión
multicriterio: Conceptos, técnicas y aplicaciones.
Alianza Universidad Textos.
STEUER, R. (1986): Multiple Criteria Optimization:
Theory, Computation and Application. Krieger.
3.4. PRÁCTICAS
EJEMPLO 3: PLANIFICACIÓN DE LA PRODUCCIÓN (PPM)

Una empresa fabrica dos tipos de piezas A y B. Cada una de ellas requiere para
su fabricación las cantidades de materia prima M1 y M2 que se indican en la
siguiente tabla:
Materia Prima\ Piezas A B Disponibilidad
M1 2 1 200
M2 4 3 450
Beneficio 5 3
La empresa desea saber cuál es el número de piezas que debe fabricar para cada
tipo si se fijan las siguientes metas con prioridades jerarquizadas (P1>>P2>>P3):
P1: Obtener un beneficio no inferior a 450 u.m.
P2: Fabricar al menos 120 piezas
P3: Fabricar el mayor número de piezas posible de B
Calcular:
1. La solución del problema anterior mediante el Método Gráfico
2. La solución mediante el Método Secuencial (Solver)
3. La solución mediante el Método Multifase (QSB)
3.4. PRÁCTICAS
EJEMPLO 4: TRANSPORTE MULTICRTERIO

Sea el problema de transporte correspondientes a la primera tabla
(cij). Se quiere determinar su política de transporte de forma que
simultáneamente reduzca el coste total, los desperfectos y la
emisión de gases, siendo los desperfectos (dij) y los gases
emitidos (eij) por unidad los dados en las siguientes tablas:
c ij D1 D2 D3 Oferta dij D1 D2 D3 eij D1 D2 D3
O1 20 18 25 24 O1 6 6 10 O1 2 6 4
O2 12 11 33 6
O2 4 3 14 O2 8 2 5
O3 17 17 44 11
O3 5 8 16 O3 6 10 9
Dem. 15 10 10
Determinar la política de transporte óptima mediante PPC según
las normas p=1, 2,∞, sabiendo que los desperfectos por unidad
que permanece en el almacén son 2.
3.4. PRÁCTICAS
EJEMPLO 4
Modelización:
• Sean xij el número de unidades que van del origen i (Oi) al destino j
(Dj) con i=1,...,m; j=1,...,n siendo ene este caso n=m=3.
• El Objetivo (z) es minimizar el coste total (z = 20x11 + 18x12+ 25x13 +
12x21+ 11x22 + 33x23 + 17x31+ 17x32 + 44x33 )
• Las restricciones corresponden a los recursos utilizados
[Orígenes, i=1,...,m] m n
Min Z = ∑∑ cij xij
(Sale del origen i ≤ cant. almacenada en i) i =1 j =1
n
xi1 + xi2+ x13 ≤ ai con a1=24, a2=6 y a3=11. s.a. ∑ xij ≤ ai i = 1,..., m
[Destinos, j=1,...,n] j =1
m
(Llega al destino j ≥ demandada en j) ∑ xij ≥ b j j = 1,..., n
i =1
x1j + x2j+ x3j ≥ bj con b1=15, b2=10 y b3=10.
xij ≥ 0 i = 1,..., m; j = 1,..., n
• No negatividad son xij ≥ 0
3.4. PRÁCTICAS
EJEMPLO 4
• Resolución problema de transporte:
cij D1 D2 D3 DFicticio Oferta
O1 20 18 25 0 24
O2 12 11 33 0 6
O3 17 17 44 0 11
Demanda 15 10 10 6 41
Objetivo z= 651
xij D1 D2 D3 DFicticio Envíos

O1 0 8 10 6 24
O2 4 2 0 0 6
O3 11 0 0 0 11
Llegadas 15 10 10 6
3.4. PRÁCTICAS
EJEMPLO 4
• Modelización:
p 1/ p z *j − z j ( x )
 3 z * − z ( x) 
Min d ( z , z*, p ) = ∑ j * j 0  Min d ( z , z*, ∞) = max j
 j =1 z j − z j  z *j − z 0j
  3
z1 ( x) =
3
∑c x ij ij
z1 ( x) = ∑c x
i , j =1
ij ij
i , j =1
3
z2 ( x) = ∑d
3
x
ij ij
z 2 ( x) = ∑d
i , j =1
x
ij ij
i , j =1
3
∑e x
3
z3 ( x ) =
z3 ( x ) = ∑e x
i , j =1
ij ij
i , j =1
ij ij
x11 + x12 + x13 ≤ 24 x11 + x12 + x13 ≤ 24

x21 + x22 + x23 ≤6 x21 + x22 + x23 ≤6
x31 + x32 + x33 ≤ 11 x31 + x32 + x33 ≤ 11
x11 + x21 + x31 ≥ 15 x11 + x21 + x31 ≥ 15
x12 + x22 + x32 ≥ 10 x12 + x22 + x32 ≥ 10
x13 + x23 + x33 ≥ 10 x13 + x23 + x33 ≥ 10
xij ≥ 0, i = 1,..., m; j = 1,..., n; p = 1,2 xij ≥ 0, i = 1,..., m; j = 1,..., n
3.4. PRÁCTICAS
3.4. PRÁCTICAS
EJEMPLO 4
S1*(Xij) D1 D2 D3 D4 Envios
• Resolución Ejemplo 4 O1
O2
0
4
8
2
10
0
6
0
24
6
O3 11 0 0 0 11
Tabla de óptimos individualizados Llegadas 15 10 10 6 z1*=651
Z1 Z2 Z3
S1 651 237 190 S2*(Xij) D1 D2 D3 D4 Envios
S2 655 233 150 O1 4 4 10 6 24
S3 673 239 126 O2 0 6 0 0 6
minimo 651 233 126 O3 11 0 0 0 11
maximo 919 324 220 Llegadas 15 10 10 6 z2*=233
Recorrido 268 91 94
S3*(Xij) D1 D2 D3 D4 Envios
O1 10 4 10 0 24
O2 0 6 0 0 6
Normas O3 5 0 0 6 11
Llegadas 15 10 10 6 z3*=126
p=1 p=2 p=infinito
0.1480236 0.09927693 0.0851064
xij(p=1) D1 D2 D3 D4 xij(p=2) D1 D2 D3 D4 xij(p=inf) D1 D2 D3 D4

O1 10 4 10 0 O1 9 4 10 1 O1 8 4 10 2
O2 0 6 0 0 O2 0 6 0 0 O2 0 6 0 0
O3 5 0 0 6 O3 6 0 0 5 O3 7 0 0 4
d(z,z*, 1)= 0.148 d(z,z*, 2)= 0.09928 d(z,z*, inf)= 0.0851

Metas PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Metas PDF

Cargado por

Copyright:

Formatos disponibles

GDMZ Universidad de Zaragoza

3.1 Introducción (1h)

TÉCNICAS CON INFORMACIÓN A PRIORI-I

PROGRAMACIÓN POR METAS

PROGRAMACIÓN POR METAS

• El modelo que resuelve la PPM es:

• Para poder ser tomada como un subrogado de las

• Para resolver los modelos de metas

EJEMPLO 3: PLANIFICACIÓN DE LA PRODUCCIÓN (PPM)

PROGRAMACIÓN POR METAS

PUNTOS CRÍTICOS DE LA PPM

PUNTOS CRÍTICOS DE LA PPM

4. Finalmente se evalúan las implicaciones derivadas de la

EQUIVALENCIA DE LAS SOLUCIONES

• Por otra parte, si el nivel de aspiración es excesivamente

• Como el tercer problema de la secuencia no tiene óptimo

• La equivalencia de las soluciones también se presenta

EJERCICIO 2. Equivalencia de soluciones. Ponderaciones

• Estos resultados parecen conducirnos a la conclusión de que si

EJERCICIO 3. Estructura de la función de logro

Lex min a = ( d1− ) , ( d2+ ) , ( d3+ ) 

• Si se reemplaza la FO por Min 100d1-+ 10d2++d3+ , la

con el siguiente vector de logros a*=[21, 507, 28].

• Esta última solución está dominada por la del modelo

ESTRUCTURA LÓGICA DE LAS METAS

EJERCICIO 4. Estructura de las metas

Lex min a = ( d1+ ) , ( d2− + 2d3− ) 

ESTRUCTURA LÓGICA DE LAS METAS

• Si reformulamos el modelo omitiendo en las

METAS DOS LADOS INNECESARIAS

EJECICIO 5a. Inclusión de metas con dos lados

Lex min a = ( d1− + d1+ ) , ( d2− ) , ( d3− ) 

EJERCICIO 5b. Inclusión de metas con dos lados

FUNCIÓN DE UTILIDAD. PREFER. LEXICOGRÁFICAS

• Comparabilidad, Reflexibilidad, Transitividad y Continuidad son

EJERCICIO 6. Eficiencia paretiana

• La presencia de óptimos alternativos es una condición

EJERCICIO 7. Eficiencia paretiana

• La primera componente incluye las variables desviaciones,

• Si todas las metas están acotadas, se puede obtener una solución

MARCO GENERAL PARA LOS PPM

• Destacar que aunque la no existencia de óptimos alternativos

1. una excesiva priorización de las metas (agrupación de las metas

EJEMPLO 3: PLANIFICACIÓN DE LA PRODUCCIÓN (PPM)

EJEMPLO 4: TRANSPORTE MULTICRTERIO

xij D1 D2 D3 DFicticio Envíos

x11 + x12 + x13 ≤ 24 x11 + x12 + x13 ≤ 24

xij(p=1) D1 D2 D3 D4 xij(p=2) D1 D2 D3 D4 xij(p=inf) D1 D2 D3 D4

También podría gustarte